ENDÜSTRİ 4.0 SİSTEMLERİNDE YAPAY ZEKÂ TABANLİ SİBER GÜVENLİK YAKLAŞİMLARİNİN GELİŞTİRİLMESİ

Abstract

Endüstriyel alanda üretim artırılması, üretimde yüksek verimlilik ihtiyacı ve teknolojinin imkanlarından endüstriyel alanda faydalanılması düşüncesi ile Endüstri 4.0 kavramı ortaya çıkmıştır. Endüstri 4.0' da endüstriyel sistemlerin birbirleri ile haberleşmesinde internet teknolojisi kullanılmaktadır. İnternet ile sistemlerden elde edilen veriler gerçek zamanlı olarak kullanılabilmektedir. İnternet teknolojisi sayesinde sistemlerin çalışması otomatize edilmiştir. Böylelikle beşerî hatalar minimuma indirgenmiştir. Sistemlerin uzaktan kontrolü ve yönetimi sağlanmaya başlamıştır ancak internet teknolojisi, kritik sistemlerin birbirleri ile haberleşmesini sağlarken bir yandan da bu sistemlerin siber saldırılara maruz kalmasına sebep olmaktadır. Sistem ağının gizlilik, bütünlük ve erişilebilirliğinin korunması son derece önemlidir çünkü meydana gelebilecek bir siber saldırı tahmin edildiğinden daha fazla yıkıma sebep olabilmektedir. Bu amaçla yapay zekâ tabanlı öğrenme algoritmalarından faydalanılarak endüstri alanındaki gelişmeler ile orantılı şekilde artan siber saldırılara karşı sistemleri korumak için bir çalışma yapılmıştır. Tez çalışmasında artan siber güvenlik tehditlerine karşı yapay zekâ tabanlı öğrenme algoritmalarından yararlanılarak saldırı tespit sistemlerinin geliştirilebileceğinden bahsedilmiştir. Geleneksel imza tabanlı saldırı tespit sistemleri ile öğrenme tabanlı saldırı tespit sistemleri karşılaştırılmıştır. Tez çalışmasında endüstriyel alanda kullanılan ağlara yapılabilecek saldırıların tahmininde Destek vektör makinesi, Naive bayes, Rastgele orman, Karar ağaçları, K en yakın komşu, Lojistik regresyon algoritmaları kullanılmıştır. Algoritmalar, endüstriyel sistemlerin haberleşmesinde kullanılan ağın trafiğinden elde edilen veri setinin bir kısmı ile eğitilip geri kalan veri seti ile de test edilmiştir. Algoritmaların performansı kesinlik, duyarlılık, F1 skor ve doğruluk gibi performans ölçütleri ile karşılaştırılmıştır. Performans ölçütlerinde doğruluk ölçütü tek başına yeterli olmadığı için kesinlik, duyarlılık ve F1 skor metrikleri de hesaplanmıştır. Çalışmada algoritmaların eğitim ve test aşamasında aynı veri setlerini kullanması bir süre sonra algoritmaların veri setini ezberlemesine sebep olabilmektedir. Bu durumu engellemek amacı ile k katlamalı çapraz doğrulama yöntemi kullanılarak veri setinden rastgele 10 adet eğitim/test veri seti elde edilmiştir. Elde edilen veri setlerinin doğruluklarının ortalaması alınarak genel bir doğruluk performans değeri elde edilmiştir. Tek eğitim/test verisi doğruluk ölçütü ile k katlamalı çapraz doğrulama sonucu elde edilen doğruluk ölçütü karşılaştırılmıştır. Tüm performans ölçütleri sonuçlarına bakıldığında saldırı tahmininde en iyi sonuçları elde eden algoritmaların karar ağacı ve rastgele orman algoritmaları olduğu görülmüştür.The concept of Industry 4.0 is emerged with the increase in production in the industrial area, the need for high productivity in production and the idea of making use of technology in the industrial field. Internet technology is used in the communication of industrial systems with each other in Industry 4.0. The data obtained from the systems with the Internet can be used in real time. Thanks to the internet technology, the operation of the systems are automated. Thus, human errors are minimized. Remote control and management of systems are begun to be provided but internet technology enables critical systems to communicate with each other while also causing these systems to be exposed to cyber attacks. Protecting the confidentiality, integrity and accessibility of the system network is extremely important because a cyberattack that may occur can cause more destruction than expected. For this purpose, a study has been carried out to protect systems against cyber attacks, which increase in proportion to the developments in the industry, by using artificial intelligence-based learning algorithms. In this thesis, it was mentioned that intrusion detection systems can be developed by using artificial intelligence-based learning algorithms against increasing cyber security threats. Traditional signature-based intrusion detection systems and learning-based intrusion detection systems is compared. Support vector machine, Naive bayes, Random forest, Decision trees, K nearest neighbor, Logistic regression algorithms are used in the prediction of attacks that can be made to networks used in the industrial field. The algorithms used in this thesis study were trained with a part of the data set obtained from the traffic of the network used in the communication of industrial systems and tested with the remaining data set. The performance of the algorithms are compared with performance criteria such as precision, sensitivity, F1 score and accuracy. Precision, sensitivity and F1 score metrics are also calculated as the accuracy criterion alone isn't sufficient in performance criteria. Using the same data sets in the training and testing phases of the algorithms in this study may cause the algorithms to memorize the data set after a while. In order to prevent this situation, 10 training/test data sets were obtained randomly from the data set by using the k-fold cross validation method. A general accuracy performance value was obtained by averaging the accuracies of the obtained data sets. One training / test data accuracy criterion was compared with the accuracy criterion obtained as a result of k-fold cross validation. When the results of all performance criteria are examined, it was seen that the algorithms that achieve the best results in attack prediction are decision tree and random forest algorithms.